天线辐射模型是天线性能测试、故障诊断的必要条件和基础,对于天线的设计、维护以及性能保障,具有十分重要的意义。然而,在外场复杂环境下,神经网络等传统建模方法极易受噪声影响而陷入局部最优、发生过拟合,因此往往很难得到精度较高的天线辐射模型,这大大影响了在外场环境下天线维护和故障诊断的效率。为解决上述问题,本文围绕强干扰条件下天线辐射场的在线建模展开研究,提出将基于采样原理的小波神经网络应用于天线辐射建模,使得神经网络的逼近能力和抗干扰得到明显改善。为此,本文完成了以下工作:(1)从频带方向入手,分别研究了小波神经网络和天线辐射函数的频带特性,在理论上得到二者的函数表达式都具有带通特性。进而论证了采用小波神经网络进行天线辐射建模的可行性。(2)将采样理论引入小波神经网络。在外场复杂环境下,训练数据不仅含有大量噪声,且往往分布稀疏、不均匀,使得神经网络的逼近能力大大降低。为解决此问题,本文将采样理论引入小波神经网络中,同时结合小波神经网络的频带有限特性,提出一种基于采样理论的小波神经网络算法,使得小波神经网络的逼近能力得到明显的改善。(3)重新设置了小波神经网络的参数。本文基于新的小波神经网络算法,重新设置了小波神经网络的输入层权值、输出层权值及隐含层节点数。同时,在理论上论证了基于该算法的小波神经网络具有良好的逼近能力和正则性,以及相当于低通滤波器的强滤波能力。(4)为验证本文的研究成果,本文分别在弱噪声和强噪声环境下做了小波神经网络和基于正则化技术的RBF神经网络的建模仿真实验。实验仿真结果表明,本文提出的建模方法能有效实现阵列天线辐射场的快速在线建模。相比于基于正则化技术的RBF神经网络,本文的方法更能有效滤除噪声干扰,避免小波神经网络发生过拟合,并对噪声的变化具有鲁棒性。